論文の概要: Noise-Aware Misclassification Attack Detection in Collaborative DNN Inference

• arxiv url: http://arxiv.org/abs/2603.17914v1
• Date: Wed, 18 Mar 2026 16:53:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.829637
• Title: Noise-Aware Misclassification Attack Detection in Collaborative DNN Inference
• Title（参考訳）: 協調的DNN推論における雑音認識誤分類検出
• Authors: Shima Yousefi, Saptarshi Debroy,
• Abstract要約: オブジェクト分類の協調推論 ディープニューラルネットワーク(DNN)は、エッジAIの重要な実現要因になりつつある。 本稿では,変分オートエンコーダ(VAE)によって駆動される半グレーボックスと雑音を考慮した異常検出フレームワークを提案する。 提案フレームワークは, 環境騒音の特性を捉え, 誤報率を低減し, 検出精度を向上させる頑健なノイズ認識機能を備えている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative inference of object classification Deep neural Networks (DNNs) where resource-constrained end-devices offload partially processed data to remote edge servers to complete end-to-end processing, is becoming a key enabler of edge-AI. However, such edge-offloading is vulnerable to malicious data injections leading to stealthy misclassifications that are tricky to detect, especially in the presence of environmental noise. In this paper, we propose a semi-gray-box and noise- aware anomaly detection framework fueled by a variational autoencoder (VAE) to capture deviations caused by adversarial manipulation. The proposed framework incorporates a robust noise-aware feature that captures the characteristic behavior of environmental noise to improve detection accuracy while reducing false alarm rates. Our evaluation with popular object classification DNNs demonstrate the robustness of the proposed detection (up to 90% AUROC across DNN configurations) under realistic noisy conditions while revealing limitations caused by feature similarity and elevated noise levels.
• Abstract（参考訳）: オブジェクト分類の協調推論 リソース制約されたエンドデバイスが部分的に処理されたデータをリモートエッジサーバにオフロードしてエンドツーエンド処理を完了させるディープニューラルネットワーク(DNN)は、エッジAIの重要な実現要因になりつつある。 しかし、このようなエッジオフロードは悪意のあるデータ注入に弱いため、特に環境ノイズの存在下では検出が難しい、ステルス的な誤分類につながる。 本稿では,変分オートエンコーダ(VAE)によって駆動される半グレーボックスと雑音を考慮した異常検出フレームワークを提案する。 提案フレームワークは, 環境騒音の特性を捉え, 誤報率を低減し, 検出精度を向上させる頑健なノイズ認識機能を備えている。 一般的な物体分類DNNを用いた評価では,DNN構成で最大90%のAUROCが,特徴的類似性や高騒音による制約を呈し,現実的な雑音条件下での頑健性を示した。

関連論文リスト

• Noise-Robust Tiny Object Localization with Flows [63.60972031108944]
  フレキシブルなエラーモデリングと不確実性誘導最適化に正規化フローを活用するノイズローバストローカライゼーションフレームワークを提案する。 本手法は,フローベース誤差モデルを用いて,複雑な非ガウス予測分布を抽出し,ノイズの多い監視下で頑健な学習を可能にする。 不確実性を考慮した勾配変調機構は、トレーニングを安定化しながら過度な適合を緩和し、高不確実でノイズの強いサンプルからの学習をさらに抑制する。
  論文  参考訳（メタデータ） (2026-01-02T09:16:55Z)
• Detecting and Rectifying Noisy Labels: A Similarity-based Approach [4.686586017523293]
  データセットのラベルノイズは、これらのデータセットでトレーニングされたディープニューラルネットワーク(DNN)のパフォーマンスと堅牢性を著しく損なう可能性がある。 提案手法は,DNNの入射特性を利用したポストホック・モデル非依存ノイズ検出・修正手法である。 我々の考えは、誤ラベル付きデータポイントと真のクラスデータポイントとの類似性は他のクラスのデータポイントよりも高いという観察に基づいている。
  論文  参考訳（メタデータ） (2025-09-28T16:41:56Z)
• Machine Unlearning for Robust DNNs: Attribution-Guided Partitioning and Neuron Pruning in Noisy Environments [5.8166742412657895]
  ディープニューラルネットワーク(DNN)は、さまざまなドメインで顕著な成功を収めているが、ノイズやトレーニングデータによってそのパフォーマンスが著しく低下する可能性がある。 本稿では,帰属誘導型データパーティショニング,識別的ニューロンプルーニング,およびノイズのあるサンプルの影響を軽減するための微調整を目的とした新しいフレームワークを提案する。 CIFAR-10の標準リトレーニングよりも約10%の絶対精度向上を実現し,ラベルノイズを注入した。
  論文  参考訳（メタデータ） (2025-06-13T09:37:11Z)
• Unsupervised CP-UNet Framework for Denoising DAS Data with Decay Noise [13.466125373185399]
  分散音響センサ(DAS)技術は光ファイバーケーブルを利用して音響信号を検出する。 DASは、ジオフォンよりも低い信号対雑音比(S/N)を示す。 これにより、S/Nの低減は、反転と解釈を含むデータ解析に悪影響を及ぼす。
  論文  参考訳（メタデータ） (2025-02-19T03:09:49Z)
• Evaluating Single Event Upsets in Deep Neural Networks for Semantic Segmentation: an embedded system perspective [1.474723404975345]
  本稿では,組み込みディープニューラルネットワーク(DNN)のロバスト性評価について述べる。 本研究は,様々なエンコーダデコーダモデルの層間およびビット間感度をソフトエラーに精査することにより,セグメント化DNNのSEUに対する脆弱性を徹底的に調査する。 本稿では,資源制約によるデプロイメントに適したメモリや計算コストを伴わない,実用的な軽量なエラー軽減手法を提案する。
  論文  参考訳（メタデータ） (2024-12-04T18:28:38Z)
• SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
  本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。 本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。 既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
  論文  参考訳（メタデータ） (2024-03-21T08:49:34Z)
• Robust Tiny Object Detection in Aerial Images amidst Label Noise [50.257696872021164]
  本研究は,ノイズラベル管理下での微小物体検出の問題に対処する。 本稿では,DN-TOD(Denoising Tiny Object Detector)を提案する。 本手法は,1段と2段の両方のオブジェクト検出パイプラインにシームレスに統合できる。
  論文  参考訳（メタデータ） (2024-01-16T02:14:33Z)
• Feature Noise Boosts DNN Generalization under Label Noise [65.36889005555669]
  トレーニングデータにおけるラベルノイズの存在は、ディープニューラルネットワーク(DNN)の一般化に大きな影響を与える 本研究では,学習データの特徴に直接ノイズを付加する単純な特徴雑音法を,理論的に導入し,理論的に実証する。
  論文  参考訳（メタデータ） (2023-08-03T08:31:31Z)
• DINF: Dynamic Instance Noise Filter for Occluded Pedestrian Detection [0.0]
  RCNNベースの歩行者検出器は、矩形領域を使用してインスタンスの特徴を抽出する。 重なり合うオブジェクトの数とわずかに重なり合うオブジェクトの数は不均衡である。 RCNNをベースとした歩行者検知器の信号雑音比を改善するために, 繰り返し動的インスタンスノイズフィルタ (DINF) を提案する。
  論文  参考訳（メタデータ） (2023-01-13T14:12:36Z)
• Tackling Instance-Dependent Label Noise via a Universal Probabilistic Model [80.91927573604438]
  本稿では,ノイズラベルをインスタンスに明示的に関連付ける,単純かつ普遍的な確率モデルを提案する。 合成および実世界のラベルノイズを用いたデータセット実験により,提案手法がロバスト性に大きな改善をもたらすことを確認した。
  論文  参考訳（メタデータ） (2021-01-14T05:43:51Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。